PoisonedGNN：针对基于图神经网络的硬件安全系统的后门攻击
密码学与安全
2023-03-27 v1
摘要
图神经网络（GNNs）在检测知识产权（IP）盗版与硬件木马（HTs）方面已展现出巨大成功。然而，机器学习界已证明GNNs易受数据投毒攻击，导致GNNs在带有预定义后门触发器（利用精心构造的子图实现）的图上表现异常。因此，必须确保采用GNNs不会在关键安全框架中引入安全漏洞。现有针对GNNs的后门攻击生成具有特定大小/密度的随机子图作为后门触发器。然而，对于布尔电路，后门触发器不可随机化，因为所添加的结构不应影响设计的功能性。我们探索了这一威胁，并开发了PoisonedGNN作为硬件设计背景下首个针对GNNs的后门攻击。我们设计并向给定设计的寄存器传输级或门级表示中注入后门触发器，且不影响功能性，以规避某些基于GNN的检测流程。为证明PoisonedGNN的有效性，我们考虑了两个案例研究：(i) 隐藏HTs与 (ii) IP盗版。我们在TrustHub数据集上的实验表明，PoisonedGNN能以高达100%的攻击成功率将HTs与IP盗版隐藏于先进的基于GNN的检测平台之外。
引用
@article{arxiv.2303.14009,
title = {PoisonedGNN: Backdoor Attack on Graph Neural Networks-based Hardware Security Systems},
author = {Lilas Alrahis and Satwik Patnaik and Muhammad Abdullah Hanif and Muhammad Shafique and Ozgur Sinanoglu},
journal= {arXiv preprint arXiv:2303.14009},
year = {2023}
}
备注
This manuscript is currently under review at IEEE Transactions on Computers